3月10日，智元机器人发布了自主研发的第一代通用具身智能基座模型——智元启元大模型GO-1（Genie Operator-1）。
据悉，该模型开创性地提出Vision-Language-Latent-Action（ViLLA）架构，由VLM（多模态大模型）和MoE（混合专家）组成。
其中，VLM借助海量互联网图文数据，实现了通用场景感知和语言理解能力；MoE中的隐式规划器通过大量跨本体和人类操作视频数据，获得了通用的动作理解能力；而Action Expert（动作专家）则凭借百万真机数据，实现了精细的动作执行能力。
GO-1大模型借助人类和多种机器人数据，可以让机器人通过观看人类操作视频，就能像人类一样学习和执行各种任务。该能力还可以泛化应用到各类的环境和物品中，有利于机器人快速适应新任务、学习新技能。
测试结果显示，GO-1的表现比之前的最好模型强很多，比如在倒水、清理桌面等任务上，成功率从46%提升到了78%。
图源：智元
